生成对抗式网络及其医学影像应用研究综述

作     者：张颖麟 胡衍 东田理沙 刘江 Zhang Yinglin;Hu Yan;Risa Higashita;Liu Jiang

作者机构：南方科技大学深圳518055 TOMEY株式会社名古屋451-0051日本 

出 版 物：《中国图象图形学报》 (Journal of Image and Graphics)

年 卷 期：2022年第27卷第3期

页      面：687-703页

核心收录：

学科分类：08[工学] 081202[工学-计算机软件与理论] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：广东省教育厅普通高校重点领域专项项目(2020ZDZX3043) 深圳市基础研究项目(JCYJ20200109140820699) 深圳市稳定支持项目(20200925174052004) 广东省重点实验室项目(2020B121201001) 

主　　题：生成对抗式网络(GAN) 医学影像 深度学习 数据增广 模态迁移 图像分割 图像去噪 

摘      要：生成对抗式网络(generative adversarial network,GAN)由负责学习数据分布的生成器和负责鉴别样本真伪的判别器构成,二者在相互对抗过程中互相学习逐渐变强。该网络模型使深度学习方法可以自动学习损失函数,减少了对专家知识的依赖,已经广泛应用于自然图像处理领域,对解决医学影像处理的相关瓶颈问题亦具有巨大应用前景。本文旨在找到生成对抗式网络与医学影像领域面临挑战的结合点,通过分析已有工作对未来研究方向进行展望,为该领域研究提供参考。1)阐述了生成对抗式网络的基本原理,从任务拆分、条件约束以及图像到图像的翻译等角度对其衍生模型进行分析回顾;2)对生成对抗式网络在医学影像领域中的数据增广、模态迁移、图像分割以及去噪等方面的应用进行回顾,分析各方法的优缺点与适用范围;3)对现有图像生成质量评估方法进行小结;4)总结生成对抗式网络在医学影像领域的研究进展,并结合该领域问题特性,指出现有理论应用存在的不足与改进方向。生成对抗式网络提出以来,理论不断完善,在医学影像的处理应用中也取得了长足发展,但仍然存在一些亟待解决的问题,包括3维数据合成、几何结构合理性保持、无标记和未配对数据使用以及多模态数据交叉应用等。